- 博客(6)
- 收藏
- 关注
RSS订阅原创 数据预处理1 Preprocessing & Impute
数据预处理1 Preprocessing & Impute 1、数据无量纲化 在机器学习算法实践中，我们往往有着将不同规格的数据转换到同一规格，或不同分布的数据转换到某个特定分布的需求，这种需求统称为将数据“无量纲化”。譬如梯度和矩阵为核心的算法中，譬如逻辑回归，支持向量机，神经网络，无量纲化可以加快求解速度；而在距离类模型，譬如K近邻，K-Means聚类中，无量纲化可以帮我们提升模型精度，避免某一个取值范围特别大的特征对距离计算造成影响。 数据的无量纲化可以是线性的，也可以是非线性的。
2021-07-14 11:55:14
289
2
原创 随机森林调参思想在乳腺癌上的应用
随机森林调参思想在乳腺癌上的应用 1、需要导入的库 from sklearn.datasets import load_breast_cancer from sklearn.ensemble import RandomForestClassifier from sklearn.model_selection import GridSearchCV from sklearn.model_selection import cross_val_score import matplotlib.pyplot as p
2021-07-07 18:10:07
154
原创 sklearn中随机森林调参的思想
随机森林学习中调参的思想 在机器学习中，我们用来衡量模型在未知数据上的准确率的指标，叫做泛化误差（Genelization error）。 泛化误差 当模型在未知数据（测试集或者袋外数据）上表现糟糕时，我们说模型的泛化程度不够，泛化误差大，模型的效果不好。泛化误差受到模型的结构（复杂度）影响。当模型太复杂，模型就会过拟合，泛化能力就不够，所以泛化误差大。当模型太简单，模型就会欠拟合，拟合能力就不够，所以误差也会大。只有当模型的复杂度刚刚好的才能够达到泛化误差最小的目标。 那模型的复杂度与我们的
2021-07-07 17:33:24
180
原创 sklearn入门——决策树在sklearn中的实现_实例2
sklearn入门——决策树在sklearn中的实现_实例2 1、 导入所需要的库 import pandas as pd from sklearn.tree import DecisionTreeClassifier from sklearn.model_selection import train_test_split from sklearn.model_selection import GridSearchCV from sklearn.model_selection import cross_va
2021-07-04 16:45:19
247
原创 sklearn入门——回归决策树在sklearn中的实现_实例演示1
sklearn入门——回归决策树在sklearn中的实现_实例演示1 1、回归树的简介 在回归树中，几乎所有的参数都与分类树一模一样。回归树函数的参数如下： class sklearn.tree.DecisionTreeRegressor (criterion=’mse’, splitter=’best’, max_depth=None,min_samples_split=2, min_samples_leaf=1, min_weight_fraction_leaf=0.0, max_features
2021-07-02 10:12:11
561
原创 sklearn入门——决策树在sklearn中的实现
sklearn入门——决策树在sklearn中的实现 1、决策树的简介 决策树（Decision Tree）是一种非参数的有监督学习方法，它能够从一系列有特征和标签的数据中总结出决策规则，并用树状图的结构来呈现这些规则，以解决分类和回归问题。在这个决策过程中，我们一直在对记录的特征进行提问。最初的问题所在的地方叫做根节点，在得到结 论前的每一个问题都是中间节点，而得到的每一个结论（动物的类别）都叫做叶子节点。 例如说我们对新物种python，它是冷血动物，体表带鳞片，并且不是胎生，我们就可以通过
2021-06-30 22:05:28
627
6
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人